自我验证循环：基于 Kimi K2.6 实现 300 个 Agent、4,000 个步骤及 5 路实时数据流的自动化运行

大多数代理集群只会自信地给你一堆垃圾。但这个集群会自我检查，扔掉失败的内容，反复运行，直到每个数字都能追溯到源头。

• 300 个并行 Agent
• 4,000 步每次运行
• 5 个实时数据源
• 3 次验证通过，实现零错误

代理集群的一个肮脏秘密是，Agent 越多，往往意味着越自信的废话。

让 300 个 Agent 去研究一个课题，它们绝对会很快返回结果。但它们也会带回过时的数字、半编造的引用，以及三个根本不存在的公司。速度从来不是难点。信任才是。

所以我不再把集群当作终点，而是把它变成循环中的一个阶段。Opus 4.8 规划工作，更重要的是，检查工作。Kimi K2.6 集群负责执行。然后 Opus 根据源头验证每个输出，扔掉失败的内容，把这些任务重新发回去再运行一次。这个循环只有在没有失败项时才会停止。

为了测试它，我交给这个循环一个最能惩罚幻觉的任务：分析电动汽车市场的 100 家公司，生成一份研究级报告，包含对比矩阵，每个数字都要追溯到实时来源。

集群给你速度。循环给你真正可以信任的速度。区别就在于验证步骤，这一步骤改变了一切。

缺失的一环

为什么原始集群不可信

没有验证器的集群只有一个质量设置：最差的那个 Agent 产生什么，结果就是什么。如果 97 个 Agent 准确分析了各自的公司，而另外 3 个默默幻觉了一个收入数据，那么你最终的报告里就埋着三颗地雷，而且和一份完美的报告看起来一模一样。只有等到它在会议上引爆时，你才知道是哪三个。

这就是为什么"多加 Agent"会陷入瓶颈。规模以同样的速率增加了输出和错误数量。更多的帮手，更多的错误，同样缺乏检查的人。

这个循环通过让验证成为一个真正有力的重要阶段来修复这个问题。Opus 4.8 将每个 Agent 的输出与其声称使用的实时源进行比对。不匹配的数字被拒绝。无法解析的引用被拒绝。任何被拒绝的内容都会重新进入队列并再次运行。只有通过检查的内容才能交付。

该循环

四个阶段，循环运行直至干净

整个系统是一个循环，而不是一条直线。每个阶段只做自己最擅长的事情，循环一直持续，直到验证阶段没有任何东西可以拒绝为止。

第四个阶段就是整个想法的核心。一个普通的集群会运行步骤 1 到 3 一次，然后把结果交给你，带着所有错误。而这个循环在仍有错误时拒绝停止。

运行

观察循环捕捉自身的错误

这是我给 Opus 4.8 的提示。注意底部的检查清单。这个检查清单就是验证阶段后来用来拒绝糟糕工作的依据，所以它是整个提示中最重要的部分。

1# 角色：规划工作，然后验证每个结果。
2
3目标：研究 100 家电动汽车市场公司。
4输出：对比矩阵 + 研究报告，每个
5        数字都要追溯到实时来源。
6
7每家公司检查清单（据此验证）：
8- 收入 + 利润率从实时数据源获取
9- 来源 URL 已附加且可解析
10- 数字在容差范围内与来源匹配
11- 没有字段留空
12
13# 集群运行后，检查每家公司的每一项。
14# 拒绝任何失败的公司。将它们重新发送回去。重复。

Opus 规划了 100 个研究任务，每个公司一个，然后交给 Kimi K2.6 集群。第一轮在几分钟内就返回了结果。然后有趣的部分开始了。

在第一次验证时，Opus 拒绝了 100 家公司中的 12 家。有些公司的收入数据与它引用的数据源不匹配。有两家引用的来源无法解析。一家公司的利润率字段为空。这些错误在最终报告中都不会显而易见。但它们全都是错的。

这 12 家公司带着被拒原因重新回到队列。第二轮：3 家仍然失败。第三轮：零失败。循环自动停止，因为没有任何东西需要拒绝了。

一个原始集群会带着那 12 个错误交付，然后宣称完成了。而这个循环在不需我阅读一行数据的情况下，全部抓住了它们。

五个实时数据源使验证变得严格而非模糊。报告中的每个数据都指向 Binance、Yahoo Finance、世界银行、国际货币基金组织或实时股票市场。当 Opus 进行验证时，它不是在问模型是否感到自信。它是在将声称的数字与实际数据源进行比对。这就是研究级和听起来自信之间的区别。

更大的图景

这是又一个 DeepSeek 时刻

退一步看，因为战略图景才是真正的故事。

当封闭实验室交付单 Agent 聊天机器人时，一个估值 200 亿美元 的中国开放实验室交付了使如此循环成为可能的集群。他们的开放权重模型 Kimi K2.6 目前在 OpenRouter 每周排行榜上排名第一。按使用量计算，它是目前全球使用量最大的 LLM。

而且它的优势恰好体现在验证最为重要的领域：

• 金融与咨询。 专业图表、热力图、多年报告分析，默认输出达到麦肯锡级别。
• 学术与研究。 LaTeX 公式渲染、文献综述与对比矩阵、可追溯至来源的引用。
• 超越其他工具的规模。 单次处理 200,000+ 单词的上下文、100 家公司的数据集、100 张幻灯片。
• 可追溯性。 每个数据点都链接到可点击的来源。研究级是默认设置，而非一个选项。

自己运行

循环，从头到尾

你不需要实验室。你只需要将两个部分连接成一个循环，以及一份足够严格的检查清单来进行验证。

1{
2  "pass": 1,
3  "checked": 100,
4  "passed": 88,
5  "rejected": [
6    { "company":"co_041", "reason":"收入与来源不符" },
7    { "company":"co_067", "reason":"引用 404" },
8    { "company":"co_092", "reason":"利润率字段为空" }
9  ],
10  "action": "将拒绝项重新加入队列 -> 集群"
11}

一图看出区别

原始集群

❌ 运行一次，交付结果

❌ 隐藏的错误随报告一起发出

❌ 质量等于最差的 Agent

❌ 你需要手动审核每一行

❌ 自信但无法验证的数字

自我验证循环

✔️ 持续运行直至验证通过

✔️ 自动捕捉失败项并重新运行

✔️ 质量等于检查清单

✔️ 你无需审核任何内容，循环已经完成

✔️ 每个数字都追溯到实时来源

集群给你速度。循环给你可以信任的速度。

单 Agent 时代正在落幕，但集群时代有一个没人提的陷阱：没有验证的规模只是更快的错误。赢得下一个时代的人，不是运行最多 Agent 的人，而是运行那些能够自我检查的 Agent 的人。